布尔型关联规则挖掘算法研究

在分析FP_growth关联规则挖掘算法的基础上，提出了一种MFP的算法，给出了算法的工作原理。MFP算法能在一次扫描事务数据库过程中，把该数据库转换成MFP树，然后对MFP树进行关联规则挖掘。MFP算法比FP_growth算法减少一次对事务数据的扫描，因此具有较高的时间效率。     

决策树算法的优化与比较

ID3算法采用一种对属性进行逐层的搜索和比较的“贪婪算法思想”。基于ID3算法的层间不相关性，该文考虑了生成树中相邻层的耦合，提出了一种改进的ID3的决策树算法(E-ID3)，E-ID3算法使用一种基于“统计出局部最优”的方法，获得比较好的启发式函数算法，并分析了E-ID3“算两步，走一步”的思想。实验证明，该优化算法对于构建决策树具有很好的效率。     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

一种最小代价组播树的快速算法

本文对KMB算法进行了改进，提出了一种快速的最小代价组播树算法，它只需使用一次PRIM算法，也不需要判断叶结点，从而快速地获得了最小代价组播树，减少了算法的运行时间。随机网络模型的仿真实验表明：该算法的计算时间远小于KMB算法，是一种快速、稳定、高效的算法。     

一种基于Canny算法的边缘提取改善方法

Canny算法作为一种优化的边缘检测算法，在用于检测图象的边缘时有着边缘上连续性等许多优良特性，在介绍Canny算法的基础上，通过对Canny算法进行改进，提出了一种基于动态阈值理论的边缘提取算法，该算法弥补了Canny算法在对非标准图像的模糊边缘进行检测时丢失边缘的不足，是一种具有实用价值的边缘检测算法。     

基于分解的多目标花朵授粉算法

在过去几十年里，许多多目标进化算法被广泛应用于解决多目标优化问题，其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法，但迄今为止，花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下，将花朵授粉算法拓展至多目标优化领域，提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外，为了保证非支配解的多样性，本文提出一种基于网格的目标空间分割法，该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明，基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

一种新的谱估计算法

给出不作相关参数估计的谱分析算法，本算法的用自适应算法，二次型共轭梯度算法，解前后向预测构成的矩阵方程，计算机模拟表面新算法是一种快速，稳定而有效的算法，它有高分辨，短数据和宽频带特性。     

达林算法的应用研究

将达林算法用于电阻炉温度的计算机控制系统中，达林算法是一种直接数字设计法，适合被控对象为滞后的系统，仿真结果表明，该算法优于常规PID算法，是一种较好的控制算法。     

一种基于改进后模板的图像快速细化算法

为了快速地进行图像细化，提出了一种新的图像快速细化算法，该算法提出了组合模板的概念，不仅有效地提高了模板的匹配速度，同时对组合模板进行了优化，最后在优化后的组合模板基础上，提出了新的改进算法。大量实验表明，该新算法不但同时具有以往算法的优点，而且细化速度比以往算法提高了3～6倍，是一种较为理想的细化算法。     

基于自适应交互算法的神经网络控制器设计

自适应交互算法是一种简单有效的算法，可以应用于不同类型的系统，与常用的BP算法相比，它不需要反馈网络反向传播误差，可以直接用来设计自适应神经网络控制器，使控制器的设计简单化，将这种算法应用于神经网络，并设计了神经网络控制器，通过仿真研究表明，用自适应交互算法设计的控制器不仅结构简单，而且控制效果也非常好。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案，该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络，网络结构为2-4-1；辨识算法为动态BP算法；控制器采用两层线性结构的神经网络，输入为系统偏差及其一阶、二阶微分，因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究，仿真结果表明该控制方案不仅具有良好的跟踪特性，而且对系统参数变化具有较强的鲁棒性。     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

基于PSO算法的WNN大包线增益调参控制律设计

提出了一种基于粒子群优化算法的小波神经网络大包线调参控制律设计方法.该方法用小波函数代替了Sigmoid函数作为激活函数.由于结合了小波变换良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能,因而具有较强逼近非线性函数的能力.为了克服局部极小值问题并进一步提高对非线性函数逼近能力,利用粒子群优化算法对小波神经网络进行参数训练,并利用该网络实现了大包线增益调参.飞行仿真结果表明,所设计的小波神经网络增益调参控制器具有优良的控制性能,不仅能够保证平衡状态下的控制效果,而且在未训练的平衡状态下依然具有良好的控制性能,并且在存在20%的建模误差时,最大超调量仅为6 m,仅是使用常规增益调参方法的18%.     

基于神经网络的运动控制系统算法研究

文章研究了神经网络控制算法在运动控制系统中的应用,以典型的运动控制系统为例,基于神经网络内模自适应控制方法设计速度环控制器。采用递归神经网络的ANNI用于充分逼近被控对象的动态模型,前向反馈神经网络ANNC用作控制器,在网络拓扑结构的设计及训练算法的选择上,进行探讨,提供了解决方法并获得了一些有意义的结论。实时仿真结果表明了基于神经网络的控制系统有很强的自适应能力和抗负载扰动能力,在系统的性能上优于传统的控制算法,为类似运动控制系统的设计与研究提供了新的方法。     

基于循环神经网络的宽带CDMA系统的功率控制

在CDMA系统中,远近效应是一个重要的技术难题,克服该难题的有效措施是系统进行功率控制.该文根据Hopfield循环神经网络的思想,把功控问题转化为离散的Hopfield神经网络,由此给出了一种新的功率控制算法,它能控制移动用户发射功率的平衡,且有较强的Robustness性质,易于工程实现.     

一种基于神经网络集成的决策树构造方法

神经网络集成方法具有比单个神经网络更强的泛化能力，却因为其黑箱性而难以理解；决策树算法因为分类结果显示为树型结构而具有良好的可理解性，泛化能力却比不上神经网络集成。该文将这两种算法相结合，提出一种决策树的构造算法：使用神经网络集成来预处理训练样本，使用C4．5算法处理预处理后的样本并生成决策树。该文在UCI数据上比较了神经网络集成方法、决策树C4．5算法和该文算法，实验表明：该算法具有神经网络集成方法的强泛化能力的优点，其泛化能力明显优于C4．5算法；该算法的最终结果昆示为决策树，显然具有良好的可理解性。     

T-S模糊神经网络应用于变参数系统的控制研究

针对基于模型的传统控制策略在线性时变系统中的应用受到系统的时变性和不确定性限制,通常难以获得理想的控制性能这一问题,提出了线性时变系统的一种变参数系统模型。该模型具有有界性和不确定性特点,利用模糊神经网络具有的自学习能力强、模型依赖性小以及鲁棒性强的优点,提出一种基于遗传算法的T-S模糊神经网络控制器对其进行控制研究,并通过仿真实验证明了该模糊神经网络控制器对变参数系统控制的可行性与有效性,为线性时变系统的控制问题提供了一种新思路。     

An optimizing BP neural network algorithm based on genetic algorithm

A back-propagation (BP) neural network has good self-learning, self-adapting and generalization ability, but it may easily get stuck in a local minimum, and has a poor rate of convergence. Therefore, a method to optimize a BP algorithm based on a genetic algorithm (GA) is proposed to speed the training of BP, and to overcome BP’s disadvantage of being easily stuck in a local minimum. The UCI data set is used here for experimental analysis and the experimental result shows that, compared with the BP algorithm and a method that only uses GA to learn the connection weights, our method that combines GA and BP to train the neural network works better; is less easily stuck in a local minimum; the trained network has a better generalization ability; and it has a good stabilization performance.     

基于修剪策略的D-FNN直接逆控制算法研究

神经网络是模拟人脑结构,它具有大规模并行及分布式信息处理能力,但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能.如果结合神经网络与模糊系统,可以取长补短.基于此,本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network,D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点,所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外,本文还开发了生物医学工程应用算法程序,针对药物注射系统的直接逆控制案例进行了仿真,结果表明:D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.